SDG 3
Aesha Verma
2024-06-28
SDG 3:
SDG 3, auch bekannt als Ziel für Sustainable Development Goal 3, konzentriert sich auf die Gewährleistung eines gesunden Lebens und die Förderung des Wohlbefindens für alle Menschen jeden Alters. Dieses Ziel umfasst ein breites Spektrum gesundheitsbezogener Themen, darunter die Verringerung der Müttersterblichkeit, die Beendigung vermeidbarer Todesfälle von Neugeborenen und Kindern unter fünf Jahren, die Bekämpfung übertragbarer Krankheiten und die Verwirklichung einer allgemeinen Gesundheitsversorgung.
Arbeitshypothese
München, als Teil Deutschlands, verfolgt ein umfassendes Gesundheitssystem, das wesentlich dazu beiträgt, eine allgemeine Gesundheitsversorgung zu erreichen und den Zugang zu hochwertigen grundlegenden Gesundheitsdiensten, finanziellem Risikoschutz sowie erschwinglichen Medikamenten und Impfstoffen für alle Einwohner zu gewährleisten.
das allgemeine Gesundheitssystem in Deutschland
1.Zugang zu hochwertigen grundlegenden Gesundheitsdiensten: Deutschland und damit auch München verfügen über ein gut ausgebautes, allen Bürgern zugängliches Gesundheitssystem mit einem breiten Angebot an medizinischen Leistungen über die gesetzliche Krankenversicherung (GKV) und einer großen Anzahl an Fachärzten und Krankenhäusern.
Hintergrundinformationen
Die Hypothese, dass München als Teil Deutschlands ein umfassendes Gesundheitssystem verfolgt, das eine allgemeine Gesundheitsversorgung fördert, lässt sich anhand des Ziels für nachhaltige Entwicklung (Sustainable Development Goal, SDG) 3 der Vereinten Nationen (UN) untermauern. SDG 3 zielt darauf ab, ein gesundes Leben für alle Menschen jeden Alters zu gewährleisten und ihr Wohlergehen zu fördern. Die wichtigsten Unterziele von SDG 3, die sich auf die allgemeine Gesundheitsversorgung beziehen, beinhalten den Zugang zu hochwertigen grundlegenden Gesundheitsdiensten, finanziellem Risikoschutz und erschwinglichen Medikamenten und Impfstoffen. Hier sind einige spezifische Punkte, die diese Hypothese unterstützen:
1. Zugang zu hochwertigen grundlegenden Gesundheitsdiensten
Deutschland, einschließlich München, verfügt über ein gut entwickeltes Gesundheitssystem, das allen Bürgern zur Verfügung steht. Die gesetzliche Krankenversicherung (GKV) deckt eine breite Palette an medizinischen Leistungen ab, darunter Vorsorgeuntersuchungen, Behandlungen und Rehabilitation.
2. Finanziellem Risikoschutz
Es gibt in Deutschland eine generelle Verpflichtung zur Krankenversicherung. Das heißt, dass jeder, der in Deutschland lebt, zur Krankenversicherung verpflichtet ist. Diese Verpflichtung gilt für die private und die gesetzliche Krankenversicherung. diese steht in Sozialgesetzbuch Fünftes Buch (SGB V) fest : § 5 SGB V - Versicherungspflicht. § 5 SGB V legt fest, wer in der gesetzlichen Krankenversicherung pflichtversichert ist. Dazu zählen unter anderem Arbeitnehmer, Auszubildende, Rentner, Studenten und Arbeitslose.
3. Erschwingliche Medikamente und Impfstoffe
Um die Sicherheit zu gewährleisten, gibt es in Deutschland ein strenges Preissystem für Medikamente und Impfstoffe. Die Preise für verschreibungspflichtige Medikamente werden durch vorab zu verhandelnde Regulierungen kontrolliert und im wesentlichen reduziert. Impfstoffe sind daher für die Bevölkerung in der Regel kostenlos oder sehr günstig.
Weiterhin wird die Entwickelung/Ausbreitung und Verteilung der medizinischen Versorgung bzw. Gesundheitsleister in München gezeigt.
Daten Wahl und dessen Begründung:
datensatz: krankenversicherte: https://www.bpb.de/system/files/datei/SOZ_10_04_Krankenversicherungsschutz.xlsx Der Datensatz gibt Aufschluss über die Verteilung der Krankenversicherungsarten in Deutschland. Das Verständnis der Versichertheit der Bevölkerung ist entscheidend für die Analyse des Zugangs zu Gesundheitsleistungen, des finanziellen Risikoschutzes und der Erschwinglichkeit.
datensatz: die folgenden Werden benutzte, um die Streuung bzw. Die Verteilung der medizinischen Versorgungen und dessen Verfügbarkeit in den jeweiligen Bezirken zu visualisieren.
apotheken: https://opendata.muenchen.de/dataset/indikatorenatlas-gesundheit-apotheken-dichte
zahn: https://opendata.muenchen.de/dataset/indikatorenatlas-gesundheit-zahnaerztedichte-83r65mct
arzt: https://opendata.muenchen.de/dataset/indikatorenatlas-gesundheit-aerztedichte-83r65mct darunter fallen: Allgemeinmedizin, Frauenheilkunde und Geburtshilfe, Innere Medizin, Kinder- und Jugendmedizin, Orthopädie und Psychotherapeutische Medizin
data1 <- read_excel("data/krankenversicherte.xlsx")## New names:
## • `` -> `...2`
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`data2 <- read.csv("data/apotheken.csv")
data3 <- read.csv("data/zahn.csv")
data4 <- read.csv("data/arzt.csv")Numerische Zusammenfassung der individuellen Datensätze
summary(data1)## Krankenversicherungsschutz der Bevölkerung ...2
## Length:53 Length:53
## Class :character Class :character
## Mode :character Mode :character
## ...3 ...4 ...5 ...6
## Length:53 Length:53 Length:53 Length:53
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
## ...7
## Length:53
## Class :character
## Mode :charactersummary(data2)## Indikator Ausprägung Jahr Raumbezug
## Length:442 Length:442 Min. :2006 Length:442
## Class :character Class :character 1st Qu.:2010 Class :character
## Mode :character Mode :character Median :2014 Mode :character
## Mean :2014
## 3rd Qu.:2018
## Max. :2022
## Indikatorwert Basiswert.1 Basiswert.2 Name.Basiswert.1
## Min. : 788.3 Min. : 18876 Min. : 5.00 Length:442
## 1st Qu.:3366.7 1st Qu.: 47722 1st Qu.: 9.00 Class :character
## Median :4203.1 Median : 54931 Median : 15.00 Mode :character
## Mean :4354.8 Mean : 113134 Mean : 29.18
## 3rd Qu.:5240.3 3rd Qu.: 74349 3rd Qu.: 21.00
## Max. :9500.3 Max. :1588330 Max. :407.00
## Name.Basiswert.2
## Length:442
## Class :character
## Mode :character
##
##
## summary(data3)## Indikator Ausprägung Jahr Raumbezug
## Length:442 Length:442 Min. :2006 Length:442
## Class :character Class :character 1st Qu.:2010 Class :character
## Mode :character Mode :character Median :2014 Mode :character
## Mean :2014
## 3rd Qu.:2018
## Max. :2022
## Indikatorwert Basiswert.1 Basiswert.2 Name.Basiswert.1
## Min. : 70.0 Min. : 18876 Min. : 13.0 Length:442
## 1st Qu.: 940.5 1st Qu.: 47722 1st Qu.: 29.0 Class :character
## Median :1225.5 Median : 54931 Median : 50.0 Mode :character
## Mean :1339.6 Mean : 113134 Mean : 118.6
## 3rd Qu.:1664.8 3rd Qu.: 74349 3rd Qu.: 83.0
## Max. :4434.0 Max. :1588330 Max. :1776.0
## Name.Basiswert.2
## Length:442
## Class :character
## Mode :character
##
##
## summary(data4)## Indikator Ausprägung Jahr Raumbezug
## Length:2106 Length:2106 Min. :2010 Length:2106
## Class :character Class :character 1st Qu.:2013 Class :character
## Mode :character Mode :character Median :2016 Mode :character
## Mean :2016
## 3rd Qu.:2020
## Max. :2022
## Indikatorwert Basiswert.1 Basiswert.2 Name.Basiswert.1
## Min. : 34.15 Min. : 2018 Min. : 0.00 Length:2106
## 1st Qu.: 1233.43 1st Qu.: 27335 1st Qu.: 5.00 Class :character
## Median : 2276.74 Median : 50877 Median : 16.00 Mode :character
## Mean : 5402.90 Mean : 91116 Mean : 74.62
## 3rd Qu.: 5493.25 3rd Qu.: 67878 3rd Qu.: 41.00
## Max. :119572.00 Max. :1588330 Max. :4035.00
## Name.Basiswert.2
## Length:2106
## Class :character
## Mode :character
##
##
## Kurze Analyse auf Ausreißern:
1.Ein Ausreißer in Form einer extrem hohen oder niedrigen Dichte könnte auf ungewöhnliche Konzentrationen von Medizinische Versorgungen in bestimmten Stadtteilen hinweisen. Beispielsweise könnte ein Stadtteil eine signifikant höhere Dichte haben als der Durchschnitt, was auf eine übermäßige Verfügbarkeit von Medizinische Versorgungen hindeutet. Umgekehrt könnte ein Stadtteil eine sehr niedrige Dichte aufweisen, was möglicherweise auf eine Unterdeckung in der Gesundheitsversorgung hinweist.
2.Ausreißer können auch in der absoluten Anzahl der Medizinische Versorgungen pro Stadtteil auftreten. Wenn ein Stadtteil eine ungewöhnlich hohe oder niedrige Anzahl davon im Vergleich zur Bevölkerungszahl hat, könnte dies die Dichte erheblich beeinflussen und auf spezifische Merkmale oder Bedürfnisse dieses Stadtteils hinweisen.
## # A tibble: 4 × 2
## `Krankenversicherungsschutz der Bevölkerung` ...4
## <chr> <chr>
## 1 Versicherte in der Gesetzlichen Krankenversicherung (GKV) 88.7
## 2 Versicherte in der Privaten Krankenversicherung (PKV) 11
## 3 ohne Krankenversicherung1 0.1
## 4 ausschließlich sonstiger Anspruch auf Krankenversorgung2 0.2Da es in Deutschland eine gesetzliche Krankenversicherungspflicht gilt, die eine nahezu vollständige Abdeckung von 99,7% aller registrierten Personen mit Krankenversicherung gewährleistet. Diese Daten zeigen, dass die Mehrheit, konkret 88,7%, sich für die gesetzliche Krankenversicherung (GKV) entscheidet, während 11% der Bevölkerung eine private Krankenversicherung (PKV) bevorzugen. Interessanterweise bleibt lediglich ein sehr kleiner Teil, nämlich 0,1% der Gesamtzahl der Personen, ohne jegliche Form von Krankenversicherungsschutz.
all installed packages
## Package Version
## askpass askpass 1.2.0
## backports backports 1.4.1
## base64enc base64enc 0.1-3
## bit bit 4.0.5
## bit64 bit64 4.0.5
## bitops bitops 1.0-7
## blob blob 1.2.4
## broom broom 1.0.5
## broom.helpers broom.helpers 1.15.0
## bslib bslib 0.6.1
## cachem cachem 1.0.8
## callr callr 3.7.5
## cellranger cellranger 1.1.0
## cli cli 3.6.2
## clipr clipr 0.8.0
## colorspace colorspace 2.1-0
## commonmark commonmark 1.9.1
## conflicted conflicted 1.2.0
## cpp11 cpp11 0.4.7
## crayon crayon 1.5.2
## crosstalk crosstalk 1.2.1
## crsmeta crsmeta 0.3.0
## curl curl 5.2.1
## data.table data.table 1.15.2
## DBI DBI 1.2.2
## dbplyr dbplyr 2.5.0
## digest digest 0.6.35
## dplyr dplyr 1.1.4
## dtplyr dtplyr 1.3.1
## ellipsis ellipsis 0.3.2
## evaluate evaluate 0.23
## fansi fansi 1.0.6
## farver farver 2.1.1
## fastmap fastmap 1.1.1
## fontawesome fontawesome 0.5.2
## forcats forcats 1.0.0
## fs fs 1.6.3
## gargle gargle 1.5.2
## generics generics 0.1.3
## GGally GGally 2.2.1
## ggmap ggmap 4.0.0
## ggplot2 ggplot2 3.5.1
## ggstats ggstats 0.6.0
## ggthemes ggthemes 5.1.0
## glue glue 1.7.0
## googledrive googledrive 2.1.1
## googlesheets4 googlesheets4 1.1.1
## gridExtra gridExtra 2.3
## gtable gtable 0.3.4
## haven haven 2.5.4
## highr highr 0.10
## hms hms 1.1.3
## htmltools htmltools 0.5.7
## htmlwidgets htmlwidgets 1.6.4
## httpuv httpuv 1.6.15
## httr httr 1.4.7
## httr2 httr2 1.0.1
## ids ids 1.0.1
## isoband isoband 0.2.7
## jpeg jpeg 0.1-10
## jquerylib jquerylib 0.1.4
## jsonlite jsonlite 1.8.8
## knitr knitr 1.45
## labeling labeling 0.4.3
## labelled labelled 2.13.0
## later later 1.3.2
## lazyeval lazyeval 0.2.2
## lifecycle lifecycle 1.0.4
## lubridate lubridate 1.9.3
## magrittr magrittr 2.0.3
## memoise memoise 2.0.1
## mime mime 0.12
## miniUI miniUI 0.1.1.1
## modelr modelr 0.1.11
## munsell munsell 0.5.0
## openssl openssl 2.1.1
## osmdata osmdata 0.2.5
## palmerpenguins palmerpenguins 0.1.1
## patchwork patchwork 1.2.0
## pillar pillar 1.9.0
## pkgconfig pkgconfig 2.0.3
## plotly plotly 4.10.4
## plyr plyr 1.8.9
## png png 0.1-8
## prettyunits prettyunits 1.2.0
## processx processx 3.8.4
## progress progress 1.2.3
## PROJ PROJ 0.5.0
## proj4 proj4 1.0-14
## promises promises 1.3.0
## ps ps 1.7.6
## purrr purrr 1.0.2
## R.cache R.cache 0.16.0
## R.methodsS3 R.methodsS3 1.8.2
## R.oo R.oo 1.26.0
## R.utils R.utils 2.12.3
## R6 R6 2.5.1
## ragg ragg 1.3.0
## rappdirs rappdirs 0.3.3
## RColorBrewer RColorBrewer 1.1-3
## Rcpp Rcpp 1.0.12
## readr readr 2.1.5
## readxl readxl 1.4.3
## rematch rematch 2.0.0
## rematch2 rematch2 2.1.2
## reprex reprex 2.1.0
## reproj reproj 0.7.0
## reshape2 reshape2 1.4.4
## rlang rlang 1.1.3
## rmarkdown rmarkdown 2.26
## rprojroot rprojroot 2.0.4
## rstudioapi rstudioapi 0.15.0
## rvest rvest 1.0.4
## sass sass 0.4.9
## scales scales 1.3.0
## selectr selectr 0.4-2
## shiny shiny 1.8.1.1
## sourcetools sourcetools 0.1.7-1
## stringi stringi 1.8.3
## stringr stringr 1.5.1
## styler styler 1.10.3
## sys sys 3.4.2
## systemfonts systemfonts 1.0.6
## textshaping textshaping 0.3.7
## tibble tibble 3.2.1
## tidyr tidyr 1.3.1
## tidyselect tidyselect 1.2.1
## tidyverse tidyverse 2.0.0
## timechange timechange 0.3.0
## tinytex tinytex 0.50
## tzdb tzdb 0.4.0
## utf8 utf8 1.2.4
## uuid uuid 1.2-0
## vctrs vctrs 0.6.5
## viridisLite viridisLite 0.4.2
## vroom vroom 1.6.5
## withr withr 3.0.0
## wk wk 0.9.1
## xfun xfun 0.42
## xml2 xml2 1.3.6
## xtable xtable 1.8-4
## yaml yaml 2.3.8
## translations translations 4.3.3Zusammenfassung und Entwicklung bzw. Analyse der jeweilingen Datensätze:
apo <- data2 %>% filter(Raumbezug == "Stadt München")%>% select(Jahr,Indikatorwert,Basiswert.2)
print(apo) # alle values wählen, die die insgesamt Anzahl an Apotheken in münchen anzeigt, für jedes Jahr## Jahr Indikatorwert Basiswert.2
## 1 2022 4827.8 329
## 2 2021 4663.1 335
## 3 2020 4514.7 346
## 4 2019 4457.3 350
## 5 2018 4236.8 364
## 6 2017 4135.7 369
## 7 2016 4158.7 371
## 8 2015 3973.0 383
## 9 2014 3871.9 385
## 10 2013 3775.7 388
## 11 2012 3644.2 395
## 12 2011 3500.6 403
## 13 2010 3430.0 403
## 14 2009 3351.8 407
## 15 2008 3367.8 406
## 16 2007 3320.5 407
## 17 2006 3258.5 407## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()Die Daten zeigen einen durchschnittlichen jährlichen Rückgang von etwa 4.875 Apotheken pro Jahr, berechnet aus einem Rückgang von 78 Apotheken im 16-Jahres-Zeitraum von 2006 bis 2022. Trotz dieses allgemeinen Rückgangs gab es Phasen der Stabilität, wie von 2006 bis 2008, als die Zahl der Apotheken konstant bei 407 blieb, und von 2010 bis 2012, als die Zahl um 403 Apotheken schwankte. Diese stabilen Perioden stehen im Gegensatz zu dem allgemeinen Abwärtstrend, der über den breiteren Zeitraum beobachtet wurde. Es kann verschiedene Ursachen für den allgemeinen Rückgang der Anzahl der Apotheken geben, wie z. B. bestimmte wirtschaftliche Bedingungen, die sich auf die Lebensfähigkeit von Apotheken auswirken können und sowohl die Gründung neuer Apotheken als auch das Überleben bestehender Apotheken beeinträchtigen. Eine sinkende Zahl von Apotheken könnte sich auf den Zugang zu Medikamenten und Gesundheitsdiensten auswirken, insbesondere in unterversorgten Gemeinden.
ins_arzt <- data4 %>% filter(Raumbezug == "Stadt München", Ausprägung== "insgesamt")%>% select(Jahr,Indikatorwert,Basiswert.2)
print(ins_arzt) # alle values wählen, die die insgesamt Anzahl an Ärzten in münchen anzeigt, für jedes Jahr## Jahr Indikatorwert Basiswert.2
## 1 2022 393.64 4035
## 2 2021 389.46 4011
## 3 2020 390.82 3997
## 4 2019 392.36 3976
## 5 2018 391.03 3944
## 6 2017 390.50 3908
## 7 2016 398.05 3876
## 8 2015 397.10 3832
## 9 2014 404.09 3689
## 10 2013 394.12 3717
## 11 2012 392.01 3672
## 12 2011 385.45 3660
## 13 2010 382.90 3610arzt_verlauf <- plot_ly(ins_arzt, x = ~Jahr) %>%
add_trace(y = ~Basiswert.2, name = "Ärzte in München", type = 'scatter', mode = 'lines') %>%
layout(
title = "Anzahl der Ärzte in München von 2010 bis 2022 Jahre",
xaxis = list(title = "Jahr",dtick = 1),
yaxis = list(title = "Anzahl", range = c(3500,4100)),
showlegend = TRUE,
plot_bgcolor = '#e5ecf6',
width = 800
)## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()arzt_verlaufDie Analyse des Datensatzes von 2010 bis 2022 zeigt einen positiven Trend bei der Zahl der Ärzte mit einem durchschnittlichen jährlichen Anstieg von etwa 35,42 Ärzten pro Jahr. Dieses Wachstum deutet auf eine Verbesserung der Zugänglichkeit der Gesundheitsversorgung hin und deutet auf eine allgemeine Erweiterung und Stärkung des Gesundheitssystems hin. Der stetige Anstieg der Zahl der Ärzte ist ein positives Zeichen für die öffentliche Gesundheit und weist auf bessere Gesundheitsdienste und Ergebnisse für die Bevölkerung hin.
ins_zahn_arzt <- data3 %>% filter(Raumbezug == "Stadt München", Ausprägung== "insgesamt")%>% select(Jahr,Indikatorwert,Basiswert.2)
print(ins_zahn_arzt)## Jahr Indikatorwert Basiswert.2
## 1 2022 899 1767
## 2 2021 892 1752
## 3 2020 884 1768
## 4 2019 878 1776
## 5 2018 873 1766
## 6 2017 890 1715
## 7 2016 913 1690
## 8 2015 942 1616
## 9 2014 946 1575
## 10 2013 954 1536
## 11 2012 962 1497
## 12 2011 957 1474
## 13 2010 1077 1284
## 14 2009 1071 1274
## 15 2008 1091 1253
## 16 2007 1077 1255
## 17 2006 1088 1219zahn_arzt_verlauf <- plot_ly(ins_zahn_arzt, x = ~Jahr) %>%
add_trace(y = ~Basiswert.2, name = "Zahnärzte in München", type = 'scatter', mode = 'lines') %>%
layout(
title = "Anzahl der Zahnärzte in München von 2010 bis 2022 Jahre",
xaxis = list(title = "Jahr",dtick = 1),
yaxis = list(title = "Anzahl", range = c(1200,1800)),
showlegend = TRUE,
plot_bgcolor = '#e5ecf6',
width = 800
)## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()zahn_arzt_verlaufDie Analyse des Datensatzes von 2006 bis 2022 zeigt einen positiven Trend bei der Zahl der Zahnärzte mit einem durchschnittlichen jährlichen Anstieg von etwa 34,25 Zahnärzten pro Jahr. Dieses Wachstum deutet auf eine Verbesserung des Zugangs zur zahnärztlichen Versorgung hin und deutet auf eine allgemeine Erweiterung und Stärkung des zahnärztlichen Gesundheitssystems hin. Der stetige Anstieg der Zahl der Zahnärzte ist ein positives Zeichen für die öffentliche Gesundheit und weist auf bessere Mundgesundheitsdienste und Ergebnisse für die Bevölkerung hin.
# Teilmenge der Datenrahmen, die ab 2010 beginnen sollen
ins_zahn_arzt_sub <- ins_zahn_arzt[ins_zahn_arzt$Jahr >= 2010, ]
ins_arzt_sub <- ins_arzt[ins_arzt$Jahr >= 2010, ]
apo_sub <- apo[apo$Jahr >= 2010, ]
# Bestimmung der maximal benötigten Y-Achsenbereich
max_y <- max(max(ins_zahn_arzt_sub$Basiswert.2), max(ins_arzt_sub$Basiswert.2),max(apo_sub$Basiswert.2))
# hier eine Combi plot erstellen
combined_plot <- plot_ly() %>%
add_trace(data = ins_zahn_arzt_sub, x = ~Jahr, y = ~Basiswert.2,
name = "Zahnärzte in München", type = 'scatter', mode = 'lines') %>%
add_trace(data = ins_arzt_sub, x = ~Jahr, y = ~Basiswert.2,
name = "Ärzte in München", type = 'scatter', mode = 'lines') %>%
add_trace(data = apo_sub, x = ~Jahr, y = ~Basiswert.2,
name = "Apotheken in München", type = 'scatter', mode = 'lines') %>%
# Layout configuration
layout(
title = "Entwicklung von Zahnärzten, Ärzten und Apotheken in München seit 2010",
xaxis = list(title = "Jahr", dtick = 1),
yaxis = list(title = "Anzahl", range = c(0, max_y + 100)),
showlegend = TRUE,
plot_bgcolor = '#e5ecf6',
width = 800
)## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()# Show the combi plot
combined_plotNeue Dataframes für die Individuellen Bezirke in München um die Verbreitung der medizinischen Versorgungen darzustellen
apo_2022 <- data2 %>% filter(Jahr == 2022,Raumbezug != "Stadt München")%>% select(Jahr, Raumbezug,Basiswert.2)
print(apo_2022)## Jahr Raumbezug
## 1 2022 01 Altstadt - Lehel
## 2 2022 02 Ludwigsvorstadt - Isarvorstadt
## 3 2022 03 Maxvorstadt
## 4 2022 04 Schwabing - West
## 5 2022 05 Au - Haidhausen
## 6 2022 06 Sendling
## 7 2022 07 Sendling - Westpark
## 8 2022 08 Schwanthalerhöhe
## 9 2022 09 Neuhausen - Nymphenburg
## 10 2022 10 Moosach
## 11 2022 11 Milbertshofen - Am Hart
## 12 2022 12 Schwabing - Freimann
## 13 2022 13 Bogenhausen
## 14 2022 14 Berg am Laim
## 15 2022 15 Trudering - Riem
## 16 2022 16 Ramersdorf - Perlach
## 17 2022 17 Obergiesing - Fasangarten
## 18 2022 18 Untergiesing - Harlaching
## 19 2022 19 Thalkirchen - Obersendling - Forstenried - Fürstenried - Solln
## 20 2022 20 Hadern
## 21 2022 21 Pasing - Obermenzing
## 22 2022 22 Aubing - Lochhausen - Langwied
## 23 2022 23 Allach - Untermenzing
## 24 2022 24 Feldmoching - Hasenbergl
## 25 2022 25 Laim
## Basiswert.2
## 1 22
## 2 23
## 3 13
## 4 14
## 5 18
## 6 8
## 7 11
## 8 8
## 9 23
## 10 9
## 11 12
## 12 20
## 13 19
## 14 8
## 15 8
## 16 17
## 17 11
## 18 8
## 19 16
## 20 8
## 21 15
## 22 9
## 23 6
## 24 9
## 25 14zahn_2022 <- data3 %>% filter(Jahr == 2022,Raumbezug != "Stadt München")%>% select(Jahr, Raumbezug,Basiswert.2)
print(zahn_2022)## Jahr Raumbezug
## 1 2022 01 Altstadt - Lehel
## 2 2022 02 Ludwigsvorstadt - Isarvorstadt
## 3 2022 03 Maxvorstadt
## 4 2022 04 Schwabing - West
## 5 2022 05 Au - Haidhausen
## 6 2022 06 Sendling
## 7 2022 07 Sendling - Westpark
## 8 2022 08 Schwanthalerhöhe
## 9 2022 09 Neuhausen - Nymphenburg
## 10 2022 10 Moosach
## 11 2022 11 Milbertshofen - Am Hart
## 12 2022 12 Schwabing - Freimann
## 13 2022 13 Bogenhausen
## 14 2022 14 Berg am Laim
## 15 2022 15 Trudering - Riem
## 16 2022 16 Ramersdorf - Perlach
## 17 2022 17 Obergiesing - Fasangarten
## 18 2022 18 Untergiesing - Harlaching
## 19 2022 19 Thalkirchen - Obersendling - Forstenried - Fürstenried - Solln
## 20 2022 20 Hadern
## 21 2022 21 Pasing - Obermenzing
## 22 2022 22 Aubing - Lochhausen - Langwied
## 23 2022 23 Allach - Untermenzing
## 24 2022 24 Feldmoching - Hasenbergl
## 25 2022 25 Laim
## Basiswert.2
## 1 280
## 2 109
## 3 77
## 4 73
## 5 77
## 6 22
## 7 45
## 8 25
## 9 124
## 10 34
## 11 59
## 12 144
## 13 123
## 14 25
## 15 61
## 16 82
## 17 46
## 18 50
## 19 98
## 20 29
## 21 76
## 22 26
## 23 16
## 24 15
## 25 51arzt_2022 <- data4 %>% filter(Ausprägung =="insgesamt", Jahr == 2022, Raumbezug != "Stadt München")%>% select(Jahr, Raumbezug,Basiswert.2)
print(arzt_2022)## Jahr Raumbezug
## 1 2022 01 Altstadt - Lehel
## 2 2022 02 Ludwigsvorstadt - Isarvorstadt
## 3 2022 03 Maxvorstadt
## 4 2022 04 Schwabing - West
## 5 2022 05 Au - Haidhausen
## 6 2022 06 Sendling
## 7 2022 07 Sendling - Westpark
## 8 2022 08 Schwanthalerhöhe
## 9 2022 09 Neuhausen - Nymphenburg
## 10 2022 10 Moosach
## 11 2022 11 Milbertshofen - Am Hart
## 12 2022 12 Schwabing - Freimann
## 13 2022 13 Bogenhausen
## 14 2022 14 Berg am Laim
## 15 2022 15 Trudering - Riem
## 16 2022 16 Ramersdorf - Perlach
## 17 2022 17 Obergiesing - Fasangarten
## 18 2022 18 Untergiesing - Harlaching
## 19 2022 19 Thalkirchen - Obersendling - Forstenried - Fürstenried - Solln
## 20 2022 20 Hadern
## 21 2022 21 Pasing - Obermenzing
## 22 2022 22 Aubing - Lochhausen - Langwied
## 23 2022 23 Allach - Untermenzing
## 24 2022 24 Feldmoching - Hasenbergl
## 25 2022 25 Laim
## Basiswert.2
## 1 601
## 2 318
## 3 274
## 4 174
## 5 176
## 6 83
## 7 62
## 8 57
## 9 339
## 10 84
## 11 48
## 12 241
## 13 280
## 14 38
## 15 90
## 16 148
## 17 117
## 18 126
## 19 211
## 20 65
## 21 283
## 22 49
## 23 31
## 24 39
## 25 101Visualisierung der Verteilung der Versorgung, um die Verfügbarkeit in den Individuellen Bezirken Münchens zu zeigen
combined_data <- rbind(
cbind(apo_2022, Type = "Apotheken"),
cbind(zahn_2022, Type = "Zahnärzte"),
cbind(arzt_2022, Type = "Insgesamte Ärzte")
)
combined_data$Raumbezug <- as.factor(1:25) # damit die bezirke von 1-25 numeriert sind
ggplot(combined_data, aes(x = Raumbezug, y = Basiswert.2, fill = Type)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.5), width = 0.5) +
scale_fill_manual(values = c("Apotheken" = "purple", "Zahnärzte" = "red", "Insgesamte Ärzte" = "green")) +
labs(title = "Anzahl der medizinischen Versorgungen in den jeweiligen Bezirken
in München (2022)",
x = "Stadtbezirke in München",
y = "Anzahl") +
theme_minimal()
Variablen: Raumbezug (x-Achse):
Diese Variable steht für “Stadtbezirke in München”. Da Bezirke Namen oder Identifikatoren verschiedener Gebiete sind, ist Raumbezug eine kategoriale Variable.
Basiswert.2 (y-Achse):
Diese Variable stellt die “Anzahl” der medizinischen Versorgungen (wie Apotheken, Zahnärzte und Gesamtärzte) in jedem Bezirk dar. Da er die Anzahl darstellt, ist Basiswert.2 eine metrische (quantitative) Variable.
find_min_value <- function(dataset) {
return(min(dataset$Basiswert.2))
}
find_max_value <- function(dataset) {
return(max(dataset$Basiswert.2))
}
print(find_min_value(apo_2022))## [1] 6print(find_max_value(apo_2022))## [1] 23print(find_min_value(arzt_2022))## [1] 31print(find_max_value(arzt_2022))## [1] 601print(find_min_value(zahn_2022))## [1] 15print(find_max_value(zahn_2022))## [1] 280Allgemein Kann man von der Analyse feststellen, dass in jedem Bezirk vom München mindestens 6 Apotheken, 31 Ärzte und 15 Zahnärzte einen Hauptwohnsitz haben. Da jede der 25 Regionen oder Bezirke Münchens mindestens 6 Apotheken, 31 Ärzte und 15 Zahnärzte hat, spiegelt dies ein hochentwickeltes und gerechtes Gesundheitssystem wider. Dies stellt sicher, dass alle Einwohner bequemen Zugang zu notwendiger medizinischer und zahnärztlicher Versorgung haben, trägt zur Gesundheit und zum Wohlbefinden der Gemeinschaft bei und unterstützt die wirtschaftliche und soziale Entwicklung innerhalb der Stadt.
Bonus: Visualisierung der Verteilung der Versorgung, um die Verfügbarkeit in den Individuellen Bezirken Münchens zu zeigen mit plotly paket
plot_ly() %>% # mit plot_ly kann man die werte der jeweiligen Bezirke zu sehen
add_trace(data = apo_2022, x = ~Raumbezug, y = ~Basiswert.2, name = "Apotheken",
type = "bar", marker = list(color = "purple")) %>%
add_trace(data = zahn_2022, x = ~Raumbezug, y = ~Basiswert.2, name = "Zahnärzte",
type = "bar", marker = list(color = "red")) %>%
add_trace(data = arzt_2022, x = ~Raumbezug, y = ~Basiswert.2, name = "Insgesamte Ärzte",
type = "bar", marker = list(color = "green")) %>%
layout(title = "Anzahl der medizinischen Versorgungen in den jeweiligen Bezirken in München (2022)",
xaxis = list(title = "Stadtbezirke in München"),
yaxis = list(title = "Anzahl"),
bargap = 0.5) # Adjust the gap between bars